它尝试把员工的经验、业务流程、判断标准和工具权限，沉淀为可持续工作的数字员工，让 AI 从“回答问题的助手”进一步升级为能够执行任务、遵循流程、接受监督并持续改进的组织生产力。
从个人助手到数字员工
过去，企业引入 AI 往往从聊天机器人开始：员工输入问题，AI 返回答案。这种方式适合信息查询和简单内容生成，但它通常难以稳定执行复杂流程，也很难保留完整的工作上下文。
StaffDeck提出了另一种思路：企业不只是使用一个通用 AI，而是根据不同岗位创建多个数字员工。例如，企业可以构建客服员工、销售助理、研究助理、运营专员或内部知识专家，并为每个数字员工配置明确的岗位、能力、权限和工作记录。
这些数字员工并不是简单的提示词模板，而是具备相对完整岗位属性的 AI 工作角色。它们可以承接重复性任务，按照组织规定的流程工作，并将执行过程、知识和经验持续沉淀下来。这样一来，原本依赖某位员工个人经验的工作，就有机会转化为可复用、可迭代、可追溯的组织资产。
StaffDeck由面壁智能、东北大学—面壁智能数据智能联合实验室、清华大学 THUNLP 实验室、OpenBMB 与 AI9Stars 联合研发，并于 2026 年 7 月正式开源。
四项核心能力
1. 构建和管理数字员工
StaffDeck允许用户为数字员工定义职位、岗位边界、服务风格、创建者和访问范围，并进一步配置其知识库、技能、SOP 和工具。
这意味着企业可以把“这个岗位应该做什么”“哪些事情不能做”“遇到不同情况如何判断”等要求，明确写入数字员工的工作规范中。不同员工之间还可以进行能力隔离和权限控制，避免所有 AI 角色共享同一套不加区分的知识和工具。
平台还支持从资源广场复制已有能力。用户可以复用知识库、通用技能、SOP 和工具，同时不直接修改广场中的原始资源，更适合在组织内部进行二次配置和版本管理。
2. 用状态机驱动复杂流程
复杂业务往往不是“一问一答”，而是由多个步骤组成：先收集信息，再判断条件，然后调用系统，最后进行校验和输出。
StaffDeck通过状态机来管理这类流程。用户可以使用自然语言描述业务规范，再将其组织成结构化 SOP。状态机能够帮助数字员工在不同阶段执行对应动作，减少流程跳步、顺序错误或上下文丢失等问题。
平台支持多个流程实时切换，并保留当前上下文；同时提供可视化编辑、版本管理和分支演化能力。这使得业务流程可以随着实际运行效果不断调整，而不必每次都从头重写一套提示词。
从产品视角看，状态机的价值在于：它把“AI 应该怎么想”进一步转化为“AI 在什么状态下可以做什么”。这会让数字员工更接近一个可配置的业务系统，而不是一个只依赖模型临场发挥的对话窗口。
3. 具备结构感知的知识检索能力
企业知识通常分散在文档、章节、页面、摘要和附件中。传统检索往往直接在全文中寻找关键词，容易出现召回内容过多、上下文不完整或引用位置不明确等问题。
StaffDeck强调文档结构感知的知识检索。它会根据文档、章节、页面和摘要等层级建立可导航索引，让数字员工先判断信息可能位于哪个文档或章节，再逐步定位到原文内容。
这种方式更像是在“浏览和查阅企业知识”，而不是简单地从文本片段中寻找相似句子。平台还支持知识分桶、定向检索、来源引用和检索调试，便于管理员检查数字员工究竟查了什么内容、引用了哪些来源，以及为什么得到某个结果。
对于企业应用来说，这一点尤其重要。数字员工的价值不只是回答得流畅，还要能够说明答案依据，方便员工验证、审计和修正。
4. 执行真实任务并形成迭代闭环
StaffDeck并不局限于生成文本，还可以通过 HTTP API、MCP 和定时任务执行真实业务操作。
例如，数字员工可以按照授权调用外部系统、执行固定任务，或在指定时间自动运行某项流程。与此同时，平台提供执行记录、长期记忆、Trace、真人接管、用户反馈和反馈分析等能力。
一项任务完成后，管理员可以查看数字员工经历了哪些步骤、检索了哪些知识、调用了哪些工具、进行了哪些校验，以及最终生成了什么结果。出现问题时，可以进行人工介入；任务完成后，又可以根据反馈调整知识、技能和 SOP。这构成了一个相对完整的运营闭环。
StaffDeck的典型工作流程
StaffDeck的使用流程可以概括为“创建—配置—执行—观测—介入—优化”。
首先，管理员创建一个数字员工，为它设置职位、边界、访问范围和服务风格。接着，从资源广场复制或自行创建知识库、技能、SOP 与工具，形成该数字员工的能力组合。
用户随后可以从数字员工广场或员工列表发起会话。发送首条消息后，平台会创建并持久化正式 Session。数字员工执行任务时，用户可以在执行记录中观察实时意图、知识检索、技能调用、工具调用、校验和最终回答。
当任务需要人工确认，或者数字员工无法继续处理时，管理员可以取消运行、转人工或处理待回答内容。任务完成之后，组织还可以利用记忆、反馈、对话日志和定时任务，继续优化数字员工的工作能力。
这种流程设计将“使用 AI”变成了“运营 AI 员工”。企业不只关注某一次回答是否正确，还可以持续观察和改进数字员工的长期表现。
适合哪些企业场景
StaffDeck更适合那些具有明确流程、稳定知识和重复性任务的业务场景。
例如，在客户服务中，可以让数字员工根据服务规范回答问题、检索产品资料，并在必要时转交人工；在销售和运营中，可以帮助整理客户信息、执行标准化跟进流程；在内部知识管理中，可以让员工通过数字专家查询制度、产品资料和项目文档；在研究和分析场景中，则可以将资料检索、信息整理和报告初稿生成结合起来。
它同样适合需要长期保留个人经验的组织。某位资深员工的判断方式、工作习惯和处理流程，可以通过知识库、技能和 SOP 逐步沉淀到数字员工中，降低组织对单一专家的依赖。
不过，StaffDeck并不意味着企业可以完全取消人工。对于法律、医疗、金融、安全等高风险领域，数字员工的输出仍然需要专业人员审核。涉及真实业务副作用的工具调用，也应当使用最小权限凭据，并为高风险动作配置人工审批。
开源与部署方式
StaffDeck采用 GNU Affero General Public License v3.0 开源。项目同时提供桌面客户端和本地部署方式，支持 macOS、Windows 与 Linux。
从源码运行时，项目要求 Python 3.11 以上、Node.js 20 以上，以及一个兼容 OpenAI Chat Completions 的模型接口和 API Key。应用本身不要求本地 GPU，实际硬件需求取决于用户选择的模型服务。
项目后端基于 FastAPI，负责接口、Agent 运行时、存储和任务 Worker；前端采用 React 与 TypeScript；项目还包含文档、API、Schema、示例流程、开发脚本以及多平台打包资源。
用户可以通过 StaffDeck 官方网站了解产品，也可以从 GitHub Releases 获取对应平台的客户端。
它真正想解决的问题
StaffDeck的核心并不是“让 AI 更会聊天”，而是尝试解决企业使用 AI 时更实际的几个问题：
第一，如何把员工经验转化为组织能力，而不是让经验只停留在个人脑中。
第二，如何让 AI 按照业务流程稳定工作，而不是每次都依赖模型自由发挥。
第三，如何让 AI 的知识来源和执行过程可追溯，方便企业进行管理和审计。
第四，如何让 AI 从一次性工具变成能够持续运营、反馈和迭代的数字角色。
因此，StaffDeck可以被理解为一套面向企业的“数字员工操作平台”：上层是岗位和工作空间，中间是知识、技能、SOP 与工具，底层则是模型、Agent 运行时、任务调度、权限和执行观测能力。
结语
StaffDeck描绘的是一种比聊天机器人更进一步的企业 AI 形态：企业不再只是向 AI 提问，而是为不同岗位配置能够持续工作的数字员工。
它将岗位定义、知识管理、流程编排、工具调用、执行追踪、人工接管和持续优化放在同一个平台中，试图把 AI 从个人效率工具提升为组织级生产力。对于正在探索 AI Agent、企业知识库和业务自动化的团队来说，StaffDeck提供了一条较为完整的开源实践路径。
当然，数字员工能否真正创造价值，仍取决于企业是否拥有清晰的流程、可靠的知识、合理的权限设计和持续的运营机制。AI 可以接手工作，但不能替组织替它定义边界——这件事，暂时还得由产品经理和业务负责人来操心。